Improving Cardiac Insights: Harnessing Privacy-Preserving Record Linkage (PPRL) to Obtain, Link, and Enhance Data for a Healthier Australia
Notice bibliographique
Résumé
ObjectiveGeneral Practices (GPs) collect vital information on health and disease in Australia, however much of this sensitive data is difficult to share for linkage purposes due to confidentiality and privacy concerns. PPRL techniques have presented an opportunity to work with GP’s, and better understand health conditions such as negative cardiac outcomes in Australia. ApproachWe utilised two algorithms, GHRANITE and Bloom Filters, to hash 2.5 million records from over 100 GPs. Both approaches utilised the same basic principles: data custodians pass identifying data through an irreversible hashing algorithm, and generate a unique key for each record. The hashing is done at the practice level ensuring that original identifying patient information never leaves GP's premises. Hashed data can be sent elsewhere, and if the same algorithm is used on a different set of data, linkage can be performed on both sets to identify individuals without exposing identifying information. ResultsThe PPRL process involved encoding over 150 million records from diverse datasets, encompassing hospitals, housing, and other sources. Initial results indicated 70.90% linkage utilising GHRANITE, and 84.10% linkage utilising Bloom Filters. Moving forward, the goal is to provide the linked data back to GPs, enabling them to identify high-risk patients and implement targeted interventions or additional measures. ConclusionThrough the successful implementation of PPRL, the project has made strides in overcoming data sharing barriers while safeguarding confidentiality. By harnessing innovative algorithms, the initiative has paved the way for more insights into cardiac outcomes and the potential for proactive healthcare interventions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,009 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».